Thử thách AI được huy động để cải thiện phân tích Mammogram kết thúc

Chụp mammogram rất quan trọng cho sức khỏe của phụ nữ và để phát hiện sớm các dấu hiệu của bệnh ung thư vú. Tuy nhiên, chụp mammogram đòi hỏi phải có chuyên gia người phân tích và thậm chí các chuyên gia được đào tạo cao cũng có thể mắc lỗi. Người ta ước tính rằng tỷ lệ dương tính giả của chụp mammogram là khoảng 10% tại Hoa Kỳ. Để tạo ra các hệ thống cho kết quả đọc mammogram chính xác hơn, Thử thách Mammography Kỹ thuật số (DM) Dream Challenge đã tạo ra một nỗ lực huy động để phát triển các thuật toán đọc mammogram mới

Theo PhysicsWorld, các kỹ thuật tầm nhìn máy tính và các thuật toán học sâu đã trở nên tinh vi hơn trong vài năm qua, các nhà nghiên cứu và kỹ sư đang chuyển hướng sử dụng trí tuệ nhân tạo để phân tích mammogram, nhằm tăng độ chính xác. Thử thách Mammography Kỹ thuật số (DM) Dream Challenge đã ra mắt một cuộc thi để điều tra việc sử dụng các thuật toán trí tuệ nhân tạo trong việc nhận dạng các dấu hiệu có thể của bệnh ung thư vú.

Thử thách DM Dream là nghiên cứu lớn nhất về các thuật toán học sâu liên quan đến việc giải thích mammogram cho đến nay. Justin Guinney, chủ tịch của các thử thách DREAM, giải thích rằng lý do cho các thử thách này là nó cho phép đánh giá có cấu trúc về hàng chục mô hình học sâu trên hai cơ sở dữ liệu khác nhau. Các tham gia trong thử thách phải thiết kế các thuật toán có thể được đào tạo trên dữ liệu mammogram và đầu ra một điểm số xác suất mà một bệnh nhân sẽ được chẩn đoán mắc bệnh ung thư vú trong vòng một năm. Ngoài ra, còn có một điều kiện thử thách thứ hai. Trong nhiệm vụ thứ hai, các thuật toán được phép đào tạo trên thông tin bổ sung như dữ liệu rủi ro dân số, dữ liệu lâm sàng và hình ảnh thu thập từ các kỳ kiểm tra trước.

Có hai tập dữ liệu được sử dụng để đào tạo các mô hình. Tập dữ liệu đầu tiên là tập dữ liệu Kaiser Permanente Washington (KPW), được các nhà nghiên cứu từ Hoa Kỳ thu thập. Trong khi đó, một tập dữ liệu thứ hai được các nhà nghiên cứu Thụy Điển tại Viện Karolinska (KI) thu thập.

Hơn 1100 người tham gia đã tham gia thử thách, chia thành 126 đội khác nhau và bao gồm người từ khắp nơi trên thế giới. Trong phần đầu tiên của thử thách, các mô hình được đào tạo bằng cách sử dụng tập dữ liệu KPW, bao gồm hình ảnh từ hơn 140.000 kỳ kiểm tra. Khi so sánh với kết quả của thử thách thứ hai, người ta thấy rằng việc truy cập vào nhiều tính năng như dữ liệu lâm sàng không cải thiện đáng kể sức phân biệt của các thuật toán. Tuy nhiên, đội DM Dream gợi ý rằng việc phát triển thuật toán trong tương lai nên bao gồm việc phân tích hình ảnh trước của bệnh nhân, cho rằng các tham gia có thể không tận dụng đầy đủ dữ liệu.

Theo Health IT Analytics, đội DM Dream muốn có tám đội hàng đầu cộng tác và thiết kế một mô hình phân loại tập hợp, để xem liệu mô hình này có thể vượt trội so với các mô hình cá nhân hay không. Các điều phối viên thử thách sau đó sử dụng một sự kết hợp có trọng số của các dự đoán của các thuật toán khác nhau, tạo ra Mô hình Thử thách Tập hợp (CEM). Các dự đoán xác suất của mô hình CEM được so sánh với các giải thích từ các bác sĩ X-quang, được đánh giá bằng cách sử dụng độ đặc hiệu. Các bác sĩ X-quang đạt được 90,5% độ đặc hiệu, trong khi mô hình CEM chỉ đạt được 76,1% độ đặc hiệu. Mặc dù kết quả có vẻ đáng thất vọng, nhưng khi các dự đoán của mô hình CEM và giải thích của bác sĩ X-quang được kết hợp vào một mô hình khác (CEM+R), độ đặc hiệu đã được cải thiện lên 92%.

Các kết quả tương tự đã được đạt được trên tập dữ liệu kiểm tra KI, được sử dụng độc quyền để xác thực các mô hình, bao gồm hình ảnh của hơn 166.000 kỳ kiểm tra. với mô hình CEM có hơi kém hơn so với các bác sĩ X-quang (92,5% độ đặc hiệu so với 96,7% độ đặc hiệu), nhưng mô hình CEM+R đạt được kết quả tốt hơn (98,5% độ đặc hiệu).

Mặc dù không có mô hình cá nhân nào có thể vượt trội so với các chuyên gia người, nhưng mô hình CEM+R đã thấy một lợi thế nhỏ so với việc giải thích của các bác sĩ X-quang một mình. Có thể kết hợp trực giác của con người với một trợ lý trí tuệ nhân tạo có thể cải thiện độ chính xác.